Evaluation and estimation of boreal podzol soil nutrient concentrations using electromagnetic induction sensors
Notice bibliographique
Résumé
• Non-destructive approach to predict soil available N and P under different land uses. • Multi-coil EMI sensor performed well compared to multi-frequency for estimating soil NH 4 + , NO 3 − and PO 4 3− concentration. • Soil water content was a major driving factor in predicting soil nutrients. • Soil nutrient management can be much easier with EMI sensors than traditional assessments. Monitoring the spatial variability of soil properties by intrusive methods can be complicated and time-consuming; nevertheless, digital mapping of apparent electrical conductivity (EC a ) can assist in the investigation of shallow podzol soils. We hypothesized that EC a measured as a soil proxy using electromagnetic induction (EMI) sensors can be used to estimate spatiotemporal variability of soil nutrients. This study evaluated the relationship between EC a and selected soil nutrients (ammonium – NH 4 + , nitrate – NO 3 − and orthophosphate – PO 4 3− ) and developed regression models to predict those nutrients. Multi-coil (MC) and multi-frequency (MF) EMI sensors were selected to predict nutrients within two land uses (grassland – GL and agricultural land – AL). The study revealed that MC-EMI responded statistically significantly (p-value < 0.05) relative to MF-EMI to correlate with soil NH 4 + , NO 3 − and PO 4 3− . Although highly significant correlations (p < 0.001) were observed between EC a values and nutrients, simple linear regression (SLR) models suggested nutrients did not effectively explain the EC a variations (low coefficient of determination and high root mean square error). Multiple linear regression (MLR) models were more effective than SLR in representing EC a with the inclusion of saturation percentage and bulk density with each nutrient. MC EMI-based MLR models provided better nutrient predictions than the MF EMI sensor, possibly due to the sensor’s sampling depth differences and sensitivity to moisture availability in the soil. The study also revealed that if textural variability and organic matter content remain temporally stable, soil water content acts as the main driving factor for both EC a and nutrient variability. While these results suggest the potential use of EMI sensors to rapidly assess the spatial and temporal variability of podzol soil nutrients; further research on different agronomic treatments and their effect on EC a and soil nutrient relation is required to improve nutrient prediction accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».